基于壓縮感知的多模型木材圖像缺陷識別.pdf

1、木材在工農(nóng)業(yè)等社會生產(chǎn)中有著廣泛的應(yīng)用，但是在其自然生長過程中往往因受到外界客觀因素影響而有一些缺陷，這些木材缺陷正是影響木材質(zhì)量評估的重要因素之一。因此，在對木材加工處理之前對其進(jìn)行缺陷檢測是很重要的一步。目前我國對木材缺陷的檢測技術(shù)還不夠完善，雖然近些年已有研究人員提出一些檢測技術(shù)，如基于C-V模型水平集的分割方法和基于GAC模型的分割方法等。但是C-V模型水平集方法曲線演化速度慢，抗噪能力差;GAC模型不適合分割優(yōu)化多個(gè)目標(biāo)，且只

2、能解決凸優(yōu)化問題，容易產(chǎn)生邊界泄漏，不具備自適應(yīng)性。所以這些檢測技術(shù)的效率及效果還不夠理想，有待進(jìn)一步提高。而且針對木材缺陷檢測的圖像樣本的采集、傳輸?shù)葓D像處理過程，一直以來我們依據(jù)的都是奈奎斯特—香農(nóng)(Nyquist-Shannon)定理，即:信號的采樣速率必須要超過信號最高頻率的兩倍及其以上才能夠精確的重構(gòu)原始信號。這一要求必然導(dǎo)致大量的數(shù)據(jù)冗余和計(jì)算機(jī)硬件存儲資源的浪費(fèi)。
　　針對上述木材圖像缺陷檢測技術(shù)存在的問題，本文以傳

3、統(tǒng)的C-V模型、GAC模型和ROF模型為基礎(chǔ)，根據(jù)這些模型的特點(diǎn)和不足之處，對這些模型進(jìn)行了融合與改進(jìn)，提出了多模型融合的木材圖像缺陷識別技術(shù)。本文提出的新方法通過在能量泛函中引入邊緣檢測函數(shù)和TV范數(shù)將三個(gè)模型統(tǒng)一到同一個(gè)最小化框架之內(nèi)，利用圖像梯度以及同質(zhì)區(qū)域信息同時(shí)對缺陷圖像進(jìn)行目標(biāo)邊緣檢測，實(shí)現(xiàn)了各模型性能的互補(bǔ)。然后引進(jìn)壓縮感知理論，將信號采樣與壓縮的過程一步完成，通過開發(fā)信號的稀疏特性，在遠(yuǎn)小于Nyquist-shannon

4、采樣標(biāo)準(zhǔn)的條件下對信號進(jìn)行隨機(jī)采樣得到信號的離散樣本，這樣便會大大減少采樣過程產(chǎn)生的冗余數(shù)據(jù)從而減少計(jì)算機(jī)硬件存儲的負(fù)擔(dān)。最后通過精確估計(jì)原始圖像的稀疏表示，再利用非線性重構(gòu)算法精確重構(gòu)原始信號來實(shí)現(xiàn)圖像去噪，提高算法的抗噪性。在此過程中，本文還改進(jìn)了壓縮采樣匹配追蹤C(jī)oSaMP重構(gòu)算法，利用矩陣分塊原理實(shí)現(xiàn)了重構(gòu)精度的提高和重構(gòu)時(shí)間的減少。
　　通過實(shí)驗(yàn)結(jié)果表明，本文提出的多模型融合的木材圖像缺陷檢測技術(shù)不依賴初始輪廓線的選擇，